CN117723079B - 基于改进a星算法的agv全局路径规划方法 - Google Patents
基于改进a星算法的agv全局路径规划方法 Download PDFInfo
- Publication number
- CN117723079B CN117723079B CN202311642950.XA CN202311642950A CN117723079B CN 117723079 B CN117723079 B CN 117723079B CN 202311642950 A CN202311642950 A CN 202311642950A CN 117723079 B CN117723079 B CN 117723079B
- Authority
- CN
- China
- Prior art keywords
- node
- agv
- current
- pass
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Navigation (AREA)
Abstract
本申请提出基于改进A星算法的AGV全局路径规划方法，提出在A星算法的启发函数基础上引入旋转惩罚函数，以期在算法搜索路径时引入AGV当前状态及地图信息以结合搜索的路段信息，从而找到一条适合AGV通行的最短安全通路，从而实现搜索节点更少、更快收敛的目的。包括以下步骤：步骤1)、构建AGV运行的现场路网拓扑图；步骤2)、生成一条路径任务并初始化参数；步骤3)、创建A星算法的Open列表和Close列表；步骤4)、遍历当前父节点的邻接点，根据初始化参数信息判断正在遍历的邻接点是否可通行；步骤5)、计算Open列表中估价函数代价值最小的节点作为下一次扩展的父节点；步骤6)、判断步骤5中预估代价值最小的节点是否为目标节点。
Description
技术领域
本申请涉及一种应用改进A星算法实施AGV全局路径规划的新方法，属于导航与自动化控制领域。
背景技术
随着信息化及智能制造技术的迅速发展，现代产业结构的优化带动了自动化、智能化与信息化管理水平的显著提升。AGV作为一种可自动导引的移动智能体在各领域的需求量日益增加，其中在流水线生产，复杂环境检测，码头装卸，户外巡检、智能仓储等各个领域的应用越来越广泛，路径规划问题也成为研究热点之一。
A星算法在解决静态网中搜索两点间最短路径问题上十分有效，其算法原理上是Dijkstra算法和最佳优先搜索算法(Best-first-searching,BFS)的结合，该算法是一种启发式算法，主要特点是在对路径进行搜索过程中引入了启发估价函数，对每个位置节点进行有效性评估，根据评估的结果，选择最优的路径，在一定程度上提高了搜索效率，能够很好的适应网络拓扑的变化，性能稳定，因而在移动智能体的路径规划中应用广泛。A星算法虽然集合了Dijkstra算法和最佳优先搜索算法的优点，但在实际环境应用中仍存在明显的不足。
比如，现有技术的A星算法会搜索过多的无用节点，既增加了计算量又降低了搜索效率；另外，在AGV运行的复杂环境中在对其进行路径规划时往往是先规划出一条路径再对路径进行判断是否满足AGV能够安全性通过，再重新搜索路径得到需求路径，计算量大且时耗长，搜索路径能力尚需进一步优化。
有鉴于此，特提出本专利申请。
发明内容
本申请所述的基于改进A星算法的AGV全局路径规划方法，在于解决上述现有技术存在的问题而提出在A星算法的启发函数基础上引入旋转惩罚函数，以期在算法搜索路径时引入AGV当前状态及地图信息以结合搜索的路段信息，从而找到一条适合AGV通行的最短安全通路，从而实现搜索节点更少、更快收敛的目的。
为实现上述设计目的，所述基于改进A星算法的AGV全局路径规划方法包括以下步骤：
步骤1)、构建AGV运行的现场路网拓扑图，地图包括节点信息和路段信息；
步骤2)、生成一条路径任务，并初始化参数；
步骤3)、创建A星算法的Open列表和Close列表,将初始化参数中的起始节点s加入到Close列表中，并将起始节点s作为其邻接点的父节点；
步骤4)、遍历当前父节点的邻接点，根据初始化参数信息判断正在遍历的邻接点是否可通行，若不可通行，则将当前邻接点加入到Close列表中，继续遍历下一邻接点，将可通行的邻接点加入到Open列表中；
步骤5)、计算Open列表中估价函数代价值最小的节点作为下一次扩展的父节点，并将该父节点加入到Close列表中。在计算估价函数代价值时，起始节点到当前遍历节点的实际距离代价引入路段旋转耗时惩罚函数；
步骤6)、判断步骤5中预估代价值最小的节点是否为目标节点，若是目标节点，则完成本次路径规划，若不是目标节点，则返回步骤4继续执行。
进一步地，所述的步骤1)中，路段信息包含允许通行的车辆类型、路段限高限宽、是否允许空载/满载的AGV通行信息；节点信息包含节点与路段的连接关系，路段的长度以及路段的入线角度、出线角度信息。
进一步地，所述的步骤2)中，在拓扑结构地图中设定一个路径任务，该任务的初始化参数包括路径起点s、终点e和AGV当前的状态信息，规划一条从任务起点到任务终点适合当前AGV状态能够安全通行的路径；
所述AGV当前的状态信息包括AGV类型、坐标位置信息、车身尺寸信息、载货状态信息。
进一步地，所述的步骤4)按下述过程执行：
4-1)、引入当前的AGV状态信息，遍历当前父节点的邻接节点，在遍历各邻接节点的过程中，判断当前节点与各邻接点连接的路段是否能够使当前状态的AGV安全通行；
4-2)、判断允许AGV安全通行，具体的可描述为当前遍历的路段是否允许当前类型的AGV通行、是否允许当前高度的AGV通行、是否允许当前宽度的AGV通行、是否允许当前载货状态的AGV通行，若其中至少有一项判断不允许通行则将该邻接点加入到Close列表，若通行则将该邻接点加入到Open列表,进行下一步的计算。
进一步地，所述的步骤5)，引入路段旋转惩罚的估价函数如下，
f(n)＝G(n)+h(n)
其中：G(n)＝g(n)+t(n)
其中，f(n)表示为起始节点经节点n至目标节点e的距离代价估计值；
g(n)表示为起始节点到当前遍历节点n的实际距离代价；
t(n)表示为起始节点到当前遍历节点n的旋转惩罚，可描述为各路段之间的旋转角度与相应旋转惩罚系数的乘积(θ×C)之和；
G(n)表示引入旋转惩罚后起始节点到当前遍历节点n的实际距离代价；
h(n)表示为当前遍历节点n到目标节点e的启发代价估计值，使用曼哈顿距离进行计算，其公式为：h(x)＝|xn-xe|+|yn-ye|；
步骤6)、判断步骤5中预估代价值最小的节点是否为目标节点，若是目标节点，则完成本次路径规划；若不是目标节点，则返回步骤4继续执行。
综上内容，本申请具有的优点与有益效果是，在现有技术A星算法启发函数的基础上引入了旋转代价函数以对其进行优化，从而能够更快地收敛、搜索的路径实际耗费代价更少。而且，在搜索路径过程中综合考虑了现场路网环境与AGV状态信息，使得规划的路径在符合现场规定的前提下更加安全。与现有技术相比，本申请能够直接适用于AGV各类复杂的运行场景。
附图说明
现结合以下附图来进一步地说明本申请。
图1为路网拓扑结构示意图；
图2为本申请所述基于改进A星算法的AGV全局路径规划方法的流程示意图；
具体实施方式
实施例1，本申请提出一种基于改进A星算法的AGV全局路径规划方法，该方法基于现场环境建立拓扑结构地图，定义其地图包括的节点与路段信息；在路径搜索启发函数中引入旋转代价函数t(n)。一方面使搜索更快收敛，从而能够提高搜索效率；另一方面使得搜索得到的路径总耗费更少；结合引入的AGV状态信息、以及拓扑结构路网地图节点及路段中的允许通行的AGV类型、限高限宽、空载满载通行等综合信息，从而规划出一条适合当前AGV状态的最优的安全通行路径，最终实现规划得出的路径在符合现场规定的前提下更加安全、距离更短。
所述基于改进A星算法的AGV全局路径规划方法包括有以下步骤：
步骤1)、构建AGV运行现场的拓扑结构地图；
所述的拓扑结构地图包括节点信息与路段信息；
其中，路段信息包含允许通行的车辆类型、路段限高限宽、是否允许空载/满载的AGV通行信息；节点信息包含节点与路段的连接关系，路段的长度以及路段的入线角度、出线角度信息；
步骤2)、生成一条路径任务，并初始化参数；
在拓扑结构地图中设定一个路径任务，该任务的初始化参数包括路径起点s、终点e和AGV当前的状态信息(包括AGV类型、坐标位置信息、车身尺寸信息、载货状态信息)，规划一条从任务起点到任务终点适合当前AGV状态能够安全通行的路径；
步骤3)、创建A星算法的Open列表和Close列表，将初始化参数中的起始节点s加入到Close列表中，并将起始节点s作为其邻接点的父节点；
步骤4)、遍历起始节点s的邻接点，根据初始化参数信息判断正在遍历的邻接点是否可通行，若不可通行，则将当前邻接点加入到Close列表中，继续遍历下一邻接点，将可通行的邻接点加入到Open列表中；
在此步骤中按下述过程执行：
4-1)、引入当前的AGV状态信息，遍历当前父节点的邻接节点，在遍历各邻接节点的过程中，判断当前节点与各邻接点连接的路段是否能够使当前状态的AGV安全通行；
4-2)、判断允许AGV安全通行，具体的可描述为当前遍历的路段是否允许当前类型的AGV通行、是否允许当前高度的AGV通行、是否允许当前宽度的AGV通行、是否允许当前载货状态的AGV通行，若其中至少有一项判断不允许通行则将该邻接点加入到Close列表，若通行则将该邻接点加入到Open列表,进行下一步的计算；
步骤5)、计算Open列表中估价函数代价值最小的节点作为下一次扩展的父节点，并将该父节点加入到Close列表中。在计算估价函数代价值时，起始节点到当前遍历节点的实际距离代价引入路段旋转耗时惩罚函数；
进一步的优选方案是，引入路段旋转惩罚的估价函数如下：
f(n)＝G(n)+h(n)
其中：G(n)＝g(n)+t(n)
其中，f(n)表示为起始节点经节点n至目标节点e的距离代价估计值；
g(n)表示为起始节点到当前遍历节点n的实际距离代价；
t(n)表示为起始节点到当前遍历节点n的旋转惩罚，可描述为各路段之间的旋转角度与相应旋转惩罚系数的乘积(θ×C)之和；
G(n)表示引入旋转惩罚后起始节点到当前遍历节点n的实际距离代价；
h(n)表示为当前遍历节点n到目标节点e的启发代价估计值，使用曼哈顿距离进行计算，其公式为：h(x)＝|xn-xe|+|yn-ye|；
步骤6)、判断步骤5中预估代价值最小的节点是否为目标节点，若是目标节点，则完成本次路径规划；若不是目标节点，则返回步骤4继续执行。
根据上述基于改进A星算法的AGV全局路径规划方法的发明构思，结合图1和图2举例说明优选搜索手段，本实施例并非是最优方案但能够充分地表达申请内容。
步骤一、如图1所示，建立图一所示构建AGV运行的现场拓扑结构地图，定义地图数据：
拓扑结构图中一共有6个节点和14条路段，两节点间存在两条路段构成两节点间的双向路段。每条路段的长度相同为1m，转弯处都为直角转弯；5->6路段只允许Jack类型的AGV通行，3->6路段只允许Roller类型的AGV通行，其它路段各种类型AGV都允许通行；4->5路段只允许满载AGV通行，1->2路段只允许空载AGV通行，其它路段AGV空载满载都可通行。
步骤二、生成一条路径任务，初始化参数：
生成一条起点s为节点1到终点e为节点6的路径任务，且当前执行该路径任务的AGV为Jack类型，载货状态为满载，当前AGV停靠在节点1的位置。
步骤三、创建A星算法的Open列表和Close列表，将初始化参数中的起始节点s加入到Close列表中，并将起始节点s作为其邻接点的父节点；
步骤四、遍历起始节点s的邻接点，根据地图数据中的节点、路段信息与当前AGV的类型、载货状态及尺寸信息进行匹配，若不匹配则认为正在遍历的邻接点是不可达，则将当前邻接点加入到Close列表中，继续遍历下一邻接点，将可达的邻接点加入到Open列表中。
步骤五、计算Open列表中估价函数代价值最小的节点作为下一次扩展的父节点，并将该父节点加入到Close列表中。在计算估价函数代价值时，起始节点到当前遍历节点的实际距离代价引入路段旋转耗时惩罚函数，估价函数如下：
f(n)＝G(n)+h(n)
其中：G(n)＝g(n)+t(n)
t(n)表示为起始节点到当前遍历节点n的旋转惩罚，可描述为各路段之间的旋转角度与相应旋转惩罚系数的乘积(θ×C)之和，惩罚系数c设置为0.01；
步骤六、判断步骤5中预估代价值最小的节点是否为目标节点，若是目标节点，则完成本次路径规划，若不是目标节点，则返回步骤5。
依据上述算法满载时Jack类型的AGV规划的路径为1->4->5->6,若AGV为空载时规划的路径为1->2->5->6；满载时Roller类型的AGV规划的路径为1->4->5->2->3->6,若AGV为空载时规划的路径则为1->2->3->6。
如上内容，结合附图中给出的实施例仅是实现本发明目的的优选方案。对于所属领域技术人员来说可以据此得到启示，而直接推导出符合本发明设计构思的其他替代结构。由此得到的其他结构特征，也应属于本发明所述的方案范围。
Claims (4)
1.一种基于改进A星算法的AGV全局路径规划方法，其特征在于：包括以下步骤，
步骤1）、构建AGV运行的现场路网拓扑图，地图包括节点信息和路段信息；
步骤2）、生成一条路径任务，并初始化参数；
步骤3）、创建A星算法的Open列表和Close列表,将初始化参数中的起始节点s加入到Close列表中，并将起始节点s作为其邻接点的父节点；
步骤4）、遍历当前父节点的邻接点，根据初始化参数信息判断正在遍历的邻接点是否可通行，若不可通行，则将当前邻接点加入到Close列表中，继续遍历下一邻接点，将可通行的邻接点加入到Open列表中；
步骤5）、计算Open列表中估价函数代价值最小的节点作为下一次扩展的父节点，并将该父节点加入到Close列表中；在计算估价函数代价值时，起始节点到当前遍历节点的实际距离代价引入到路段旋转耗时惩罚函数中；
路段旋转耗时惩罚函数如下，
，其中，/>；
表示为起始节点经节点n至目标节点e的距离代价估计值；
表示为起始节点到当前遍历节点n的实际距离代价；
表示为起始节点到当前遍历节点n的旋转惩罚，可描述为各路段之间的旋转角度与相应旋转惩罚系数的乘积之和；
表示引入旋转惩罚后起始节点到当前遍历节点n的实际距离代价；
表示为当前遍历节点n到目标节点e的启发代价估计值，使用曼哈顿距离进行计算，其公式为：/>；
步骤6）、判断步骤5中预估代价值最小的节点是否为目标节点，若是目标节点，则完成本次路径规划；若不是目标节点，则返回步骤4继续执行。
2.根据权利要求1所述的基于改进A星算法的AGV全局路径规划方法，其特征在于：所述的步骤1）中，路段信息包含允许通行的车辆类型、路段限高限宽和是否允许空载/满载的AGV通行信息；节点信息包含节点与路段的连接关系、路段的长度、以及路段的入线角度、出线角度信息。
3.根据权利要求1所述的基于改进A星算法的AGV全局路径规划方法，其特征在于：所述的步骤2）中，在现场路网拓扑图中设定一个路径任务，该任务的初始化参数包括路径起点s、终点e和AGV当前的状态信息，规划一条从任务起点到任务终点适合当前AGV状态能够安全通行的路径；
所述AGV当前的状态信息包括AGV类型、坐标位置信息、车身尺寸信息和载货状态信息。
4.根据权利要求1所述的基于改进A星算法的AGV全局路径规划方法，其特征在于：所述的步骤4）按下述过程执行，
4-1）、引入当前的AGV状态信息，遍历当前父节点的邻接节点，在遍历各邻接节点的过程中，判断当前节点与各邻接点连接的路段是否能够使当前状态的AGV安全通行；
4-2）、判断允许AGV安全通行，具体的可描述为当前遍历的路段是否允许当前类型的AGV通行、是否允许当前高度的AGV通行、是否允许当前宽度的AGV通行、是否允许当前载货状态的AGV通行，若其中至少有一项判断不允许通行则将该邻接点加入到Close列表，若通行则将该邻接点加入到Open列表,进行下一步的计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311642950.XA CN117723079B (zh) | 2023-12-04 | 2023-12-04 | 基于改进a星算法的agv全局路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311642950.XA CN117723079B (zh) | 2023-12-04 | 2023-12-04 | 基于改进a星算法的agv全局路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117723079A CN117723079A (zh) | 2024-03-19 |
| CN117723079B true CN117723079B (zh) | 2024-05-28 |
Family
ID=90207974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311642950.XA Active CN117723079B (zh) | 2023-12-04 | 2023-12-04 | 基于改进a星算法的agv全局路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117723079B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118244730B (zh) * | 2024-05-30 | 2024-10-15 | 成都飞机工业（集团）有限责任公司 | 一种基于时空避障的多任务agv调度方法、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115562290A (zh) * | 2022-10-20 | 2023-01-03 | 南京航空航天大学 | 一种基于a星惩罚控制优化算法的机器人路径规划方法 |
| WO2023000560A1 (zh) * | 2021-07-21 | 2023-01-26 | 天津大学 | 面向并联骨折手术机器人的复位轨迹自动式规划方法 |
| CN115950444A (zh) * | 2022-12-21 | 2023-04-11 | 江苏理工学院 | 一种基于a星优化算法的智慧轮椅寻路方法 |
| CN116501055A (zh) * | 2023-04-28 | 2023-07-28 | 吉林大学 | 一种基于a*和并行teb的agv混合路径规划方法 |
-
2023
- 2023-12-04 CN CN202311642950.XA patent/CN117723079B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023000560A1 (zh) * | 2021-07-21 | 2023-01-26 | 天津大学 | 面向并联骨折手术机器人的复位轨迹自动式规划方法 |
| CN115562290A (zh) * | 2022-10-20 | 2023-01-03 | 南京航空航天大学 | 一种基于a星惩罚控制优化算法的机器人路径规划方法 |
| CN115950444A (zh) * | 2022-12-21 | 2023-04-11 | 江苏理工学院 | 一种基于a星优化算法的智慧轮椅寻路方法 |
| CN116501055A (zh) * | 2023-04-28 | 2023-07-28 | 吉林大学 | 一种基于a*和并行teb的agv混合路径规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117723079A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112833905B (zh) | 基于改进a*算法的分布式多agv无碰撞路径规划方法 | |
| CN111811514B (zh) | 一种基于正六边形栅格跳点搜索算法的路径规划方法 | |
| CN115079705B (zh) | 基于改进a星融合dwa优化算法的巡检机器人路径规划方法 | |
| Jian et al. | A global-local coupling two-stage path planning method for mobile robots | |
| CN109764886A (zh) | 一种路径规划方法 | |
| CN109542098A (zh) | 一种基于最小转弯代价的agv路径规划方法 | |
| CN111024088B (zh) | 一种激光叉车路径规划方法 | |
| CN113359718B (zh) | 移动机器人全局路径规划与局部路径规划融合方法及设备 | |
| CN117723079B (zh) | 基于改进a星算法的agv全局路径规划方法 | |
| CN108444490B (zh) | 基于可视图和a*算法深度融合的机器人路径规划方法 | |
| CN109240290A (zh) | 一种电力巡检机器人返航路径确定方法 | |
| CN117109624A (zh) | 基于a*和并行teb的低速无人车的混合路径规划方法 | |
| CN105698796A (zh) | 一种多机器人调度系统的路径搜索方法 | |
| CN113985892B (zh) | 一种基于改进a＊算法的智能船舶路径规划方法 | |
| CN116414139B (zh) | 基于A-Star算法的移动机器人复杂路径规划方法 | |
| CN112697161A (zh) | 一种agv路径规划方法、存储介质和终端 | |
| CN114564023B (zh) | 一种动态场景下的跳点搜索路径规划方法 | |
| CN116295491A (zh) | 一种路径规划方法及装置 | |
| CN113124874A (zh) | 一种用于无人装备的时间协同航迹规划方法 | |
| CN118625771B (zh) | 一种烟草生产车间agv自动控制系统及方法 | |
| Jia-ning | Improved Ant Colony Algorithm for AGV Path Planning | |
| Zheng et al. | Global Path Planning for USV Using A-Star Algorithm with Modified Heuristic Function | |
| Feng et al. | Autonomous Exploration Method of Unmanned Ground Vehicles Based on an Incremental B-Spline Probability Roadmap | |
| CN116642510A (zh) | 一种基于改进a星算法的车辆导航方法 | |
| Yang et al. | Improved A* Algorithm Based on Fused Theta Optimization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |